图像中的对象检测 (HOG)
Object detection in images (HOG)
我想检测显微镜图像细胞内的物体。我有很多带注释的图像（大约 50,000 张有对象的图像和 500,000 张没有对象的图像）。
到目前为止，我尝试使用 HOG 提取特征并使用逻辑回归和 LinearSVC 进行分类。我已经为 HOG 或颜色空间（RGB、HSV、LAB）尝试了几个参数，但我没有看到很大的差异，预测率约为 70%。
我有几个问题。我应该使用多少图像来训练描述符？我应该使用多少张图片来测试预测？
我已经尝试使用大约 1000 张图像进行训练，这给了我 55% 的正面和 5000 张，这给了我大约 72% 的正面。然而，这也很大程度上取决于测试集，有时一个测试集可以达到 80-90% 的阳性检测图像。
这里有两个包含对象的示例和两个没有对象的图像：
另一个问题是，有时图像包含多个对象：
要不要尝试增加学习集的例子？我应该如何选择训练集的图像，只是随机的？我还能尝试什么？
任何帮助将不胜感激，我刚刚开始发现机器学习。我正在使用 Python（scikit-image & scikit-learn）。
我认为你走的路是对的，但让我提出一些注意事项：
1 - 训练集的数量在分类中总是很重要
问题（通常越多越好）。但是，您必须具有良好的注释
并且您的方法应该对异常值具有鲁棒性。
2 - 从您放置的图像来看，颜色直方图似乎会
比HOG更具辨别力。当使用颜色直方图时，我通常去
对于具有相关 a-b 直方图的 Lab 颜色 space。 L 是亮度和
非常依赖于图像采集（例如亮度）。一种方法
用于重新识别行人的方法是将图像分为
块并计算这些块内的直方图。这个可以
有帮助。
3 - 测试分类方法的最佳方法是交叉验证：
http://en.wikipedia.org/wiki/Cross-validation_%28statistics%29#k-fold_cross-validation
4 - 你尝试过其他分类器吗？ Weka 可能非常有趣
轻松测试不同的 methods/parameters：
http://www.cs.waikato.ac.nz/ml/weka/
5 - 最后，如果您仍然有不好的结果并且不知道是哪一个
你应该使用的那种功能，你可以应用深度神经网络
去吧！
希望对您有所帮助。
我想检测显微镜图像细胞内的物体。我有很多带注释的图像（大约 50,000 张有对象的图像和 500,000 张没有对象的图像）。
到目前为止，我尝试使用 HOG 提取特征并使用逻辑回归和 LinearSVC 进行分类。我已经为 HOG 或颜色空间（RGB、HSV、LAB）尝试了几个参数，但我没有看到很大的差异，预测率约为 70%。
我有几个问题。我应该使用多少图像来训练描述符？我应该使用多少张图片来测试预测？
我已经尝试使用大约 1000 张图像进行训练，这给了我 55% 的正面和 5000 张，这给了我大约 72% 的正面。然而，这也很大程度上取决于测试集，有时一个测试集可以达到 80-90% 的阳性检测图像。
这里有两个包含对象的示例和两个没有对象的图像：
另一个问题是，有时图像包含多个对象：
要不要尝试增加学习集的例子？我应该如何选择训练集的图像，只是随机的？我还能尝试什么？
任何帮助将不胜感激，我刚刚开始发现机器学习。我正在使用 Python（scikit-image & scikit-learn）。
我认为你走的路是对的，但让我提出一些注意事项：
1 - 训练集的数量在分类中总是很重要 问题（通常越多越好）。但是，您必须具有良好的注释 并且您的方法应该对异常值具有鲁棒性。
2 - 从您放置的图像来看，颜色直方图似乎会 比HOG更具辨别力。当使用颜色直方图时，我通常去 对于具有相关 a-b 直方图的 Lab 颜色 space。 L 是亮度和 非常依赖于图像采集（例如亮度）。一种方法 用于重新识别行人的方法是将图像分为 块并计算这些块内的直方图。这个可以 有帮助。
3 - 测试分类方法的最佳方法是交叉验证： http://en.wikipedia.org/wiki/Cross-validation_%28statistics%29#k-fold_cross-validation
4 - 你尝试过其他分类器吗？ Weka 可能非常有趣 轻松测试不同的 methods/parameters： http://www.cs.waikato.ac.nz/ml/weka/
5 - 最后，如果您仍然有不好的结果并且不知道是哪一个 你应该使用的那种功能，你可以应用深度神经网络 去吧！
希望对您有所帮助。